讯飞非标准化疾病诉求的简单分诊挑战赛_baseline

P粉084495128
发布: 2025-07-30 10:17:02
原创
869人浏览过
该赛事聚焦医疗资源优化,需依据问诊文本(含年龄段、主诉等)完成10类就诊方向多分类。提供约5000条训练数据与1000余条测试数据,基线用ernie-tiny模型拼接文本微调,线下验证精度超0.98,线上得分0.85174,存在过拟合,可通过换大模型等策略改进。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

讯飞非标准化疾病诉求的简单分诊挑战赛_baseline - php中文网

赛事背景

人民对于医疗健康的需求在不断增长,但社会现阶段医疗资源紧缺,往往排队一上午看病10分钟,时间和精神成本巨大,如何更好的优化医疗资源配置,找到合适的方向,进行分级诊疗,是当前社会的重要课题。

大众自觉身体状态异常,有时不能准确判断自己是否患有疾病,需要寻求有专业知识的人进行判断,但是主诉者一般进行口语化表述,不容易进行精准高效的指引。

赛事任务

进行简单分诊需要一定的数据和经验知识进行支撑,本次比赛提供了部分好大夫在线的真实问诊数据,经过严格脱敏,提供给参赛者进行多分类任务,具体为通过处理文字诉求,给出10个常见的就诊方向之一。

数据说明

比赛提供约5000条训练数据,1000余条测试数据。

单条数据包含年龄段、主诉、标题、希望获得的帮助和其他描述字段文本,以及就诊方向标签 i∈int [0,9]

评估指标

macro F1-score

思路

典型的文本多分类任务。

将各文本字段按次序拼接后使用预训练模型进行微调。

本 baseline 使用的预训练模型为 ernie-tiny: https://arxiv.org/abs/2106.02241

效果

  • 线下验证集(9:1 划分)精度:0.98+
  • 线上得分:0.85174

可能的改进策略

本题比较容易过拟合。

  • 使用其他较大参数量的模型;
  • 使用 FGM 等对抗训练方法;
  • 参数、模型修改、scheduler 调优等;
  • 数据增广,如拼接变换次序、同义词替换、随机删减等。

EDA

数据示例如下:

讯飞非标准化疾病诉求的简单分诊挑战赛_baseline - php中文网

小羊标书
小羊标书

一键生成百页标书,让投标更简单高效

小羊标书 62
查看详情 小羊标书

label 分布:

讯飞非标准化疾病诉求的简单分诊挑战赛_baseline - php中文网

文本长度(合并后):

讯飞非标准化疾病诉求的简单分诊挑战赛_baseline - php中文网

In [1]
# 导入必要的库import warnings
warnings.simplefilter('ignore')import numpy as npimport pandas as pd

%matplotlibimport matplotlib.pyplot as pltimport seaborn as sns
登录后复制
In [2]
# 读取数据集train = pd.read_excel('data/data104082/train.xlsx')
test = pd.read_excel('data/data104082/test.xlsx')print(train.shape, test.shape)
登录后复制
In [3]
train.head()
登录后复制
In [4]
test.head()
登录后复制
In [5]
# label 分布train['label'].value_counts()
登录后复制
In [6]
# 空值填充for col in ['diseaseName', 'conditionDesc', 'title', 'hopeHelp']:
    train[col].fillna('', inplace=True)
    test[col].fillna('', inplace=True)
登录后复制
In [7]
# 文本长度for col in ['diseaseName', 'conditionDesc', 'title', 'hopeHelp']:    print(train[col].apply(len).describe())    print(test[col].apply(len).describe())
登录后复制
In [8]
# 清理一些换行字符,不然会对创建数据集有影响def clean_str(x):
    return x.replace('\r', '').replace('\t', ' ').replace('\n', ' ')for col in ['diseaseName', 'conditionDesc', 'title', 'hopeHelp']:
    train[col] = train[col].apply(lambda x: clean_str(x))
    test[col] = test[col].apply(lambda x: clean_str(x))
登录后复制
In [9]
# 拼接的长度train['text'] = train['diseaseName'].astype(str) + " " + \
                train['conditionDesc'].astype(str) + " " + \
                train['title'].astype(str) + " " + \
                train['hopeHelp'].astype(str)

test['text'] =  test['diseaseName'].astype(str) + " " + \
                test['conditionDesc'].astype(str) + " " + \
                test['title'].astype(str) + " " + \
                test['hopeHelp'].astype(str)print(train['text'].apply(len).describe())print(test['text'].apply(len).describe())
登录后复制

看来 max_seq_len 我们使用 256 就可以覆盖所有的样例了

baseline 思路

该题为典型的文本多分类,我们可以先把文本都拼接起来使用 BERT 等预训练模型进行微调建模。

先手动 9:1 切分下训练集,将训练集、验证集和测试集保存为 ChnSentiCorp 格式。

In [10]
train = train[['text', 'label']].copy()
test = test[['text']].copy()

train = train.sample(frac=1, random_state=42)  # 随机打乱train_size = int(0.9 * len(train))
train_df = train[:train_size]
valid_df = train[train_size:]
test_df = test.copy()print(train_df.shape, valid_df.shape, test_df.shape)
登录后复制
In [11]
# 保存为文本文件train_df[['label', 'text']].to_csv('train.txt', index=False, header=False, sep='\t')
valid_df[['label', 'text']].to_csv('valid.txt', index=False, header=False, sep='\t')
登录后复制

自定义数据加载

In [12]
# 更新 paddlehub!pip install -q --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple
登录后复制
In [13]
from typing import Dict, List, Optional, Union, Tupleimport paddleimport paddlehub as hubfrom paddlehub.datasets.base_nlp_dataset import TextClassificationDatasetfrom paddlehub.text.bert_tokenizer import BertTokenizerfrom paddlehub.text.tokenizer import CustomTokenizerclass DemoDataset(TextClassificationDataset):
    def __init__(self, tokenizer: Union[BertTokenizer, CustomTokenizer], max_seq_len: int = 256, mode: str = 'train'):
        base_path = './'
        if mode == 'train':
            data_file = 'train.txt'
        elif mode == 'test':
            data_file = 'test.txt'
        else:
            data_file = 'valid.txt'
        super().__init__(
            base_path=base_path,
            tokenizer=tokenizer,
            max_seq_len=max_seq_len,
            mode=mode,
            data_file=data_file,
            label_list=["0", "1", "2", "3", "4",                        "5", "6", "7", "8", "9"],
            is_file_with_header=False)
登录后复制

加载预训练模型

我们用 ernie_tiny 模型测试下效果

In [14]
model = hub.Module(name='ernie_tiny', version='2.0.1', task='seq-cls', num_classes=10)
登录后复制
In [15]
# 生成数据集train_dataset = DemoDataset(tokenizer=model.get_tokenizer(), mode='train')
valid_dataset = DemoDataset(tokenizer=model.get_tokenizer(), mode='valid')
登录后复制

训练

In [16]
optimizer = paddle.optimizer.AdamW(learning_rate=5e-5, parameters=model.parameters())
trainer = hub.Trainer(model, optimizer, checkpoint_dir='./checkpoint', use_gpu=True)
登录后复制
In [17]
trainer.train(
    train_dataset,
    epochs=5,
    batch_size=32,
    eval_dataset=valid_dataset,
    save_interval=5,
)
登录后复制

预测

In [23]
model = hub.Module(
    name='ernie_tiny',
    version='2.0.1',
    task='seq-cls',
    load_checkpoint='./checkpoint/best_model/model.pdparams',
    label_map={i:str(i) for i in range(10)}
)
登录后复制
In [24]
data = [[i] for i in test_df['text'].values]
results = model.predict(data, max_seq_len=256, batch_size=1, use_gpu=False)
登录后复制
In [26]
sub = pd.DataFrame({'id':[i+1 for i in range(len(test_df))], 'label': results})
sub.head()
登录后复制
In [27]
sub.to_csv('ernie_tiny_baseline.csv', index=False)
登录后复制

提交结果

线上得分: 0.85174

讯飞非标准化疾病诉求的简单分诊挑战赛_baseline - php中文网

In [ ]
<br/>
登录后复制

以上就是讯飞非标准化疾病诉求的简单分诊挑战赛_baseline的详细内容,更多请关注php中文网其它相关文章!

相关标签:
最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号